【遥感图像入门】遥感图像专用去噪算法：核心方案与实战（PyTorch代码）

遥感图像因成像环境复杂（传感器干扰、宇宙射线、大气抖动等），易产生针对性噪声，且需保留地物边缘、纹理等关键信息以支撑后续解译任务。本文聚焦遥感图像专用去噪算法，剔除通用图像处理算法，仅围绕遥感场景特有噪声的解决方案展开，包含专用传统算法、深度学习优化方案及可直接落地的实战代码，助力精准解决遥感数据去噪痛点。

一、遥感图像特有噪声与专用去噪核心诉求

1. 核心噪声类型（仅遥感场景高频出现）

• 高斯噪声：传感器电子热运动主导，是多光谱、高光谱遥感图像最普遍噪声，表现为像素值正态分布波动。
• 椒盐噪声：宇宙射线撞击传感器或在轨成像故障导致，以随机亮斑（盐噪声）、暗斑（椒噪声）形式存在，在卫星遥感图像中高频出现。
• 条纹噪声：成像系统电路干扰、大气抖动或卫星姿态不稳定导致，呈沿轨道方向的明暗交替条纹，严重影响地形测绘、地物提取精度。
• 泊松噪声：低轨道、低光照条件下光子计数随机特性导致，噪声强度与像素亮度正相关，常见于夜间遥感或高轨遥感图像。

2. 专用去噪核心诉求

• 噪声针对性强：需精准匹配遥感特有噪声的频谱特性（如条纹噪声的周期性、椒盐噪声的极值特性）。
• 细节强保留：遥感图像中的道路边缘、地形纹理、微小地物等信息直接影响后续解译，去噪不可过度平滑。
• 高分辨率适配：遥感图像多为大尺寸（如1024×1024、4096×4096），算法需兼顾精度与处理效率。
• 多波段兼容性：多光谱/高光谱遥感图像不同波段噪声特性差异大，算法需支持跨波段统一去噪或波段自适应调整。

二、遥感专用传统去噪算法（针对性噪声解决方案）

1. 小波阈值去噪（混合噪声专用）

• 核心适配性：针对遥感图像“高斯+条纹”“高斯+椒盐”混合噪声场景设计，通过多尺度分解区分噪声与地物细节的高频分量。
• 遥感专用优化：
  1. 小波基选择：优先采用db6、sym8小波基，适配遥感图像的纹理稀疏特性，比通用db4基的细节保留效果提升15%。
  2. 自适应阈值：基于各波段噪声标准差动态计算阈值（λ=σ×√(2ln(H×W))，H、W为图像尺寸），解决多波段噪声强度不一致问题。
  3. 改进阈值函数：采用“硬阈值+软阈值”混合策略（|x|>λ时保留原始值，|x|≤λ时进行线性压缩），避免纯软阈值导致的细节模糊。
• 适用场景：多光谱遥感图像混合噪声去除，尤其适合地形测绘、植被监测数据预处理。

2. 改进型傅里叶变换去噪（条纹噪声专用）

• 核心适配性：针对遥感条纹噪声的周期性特征，在频域中精准定位噪声峰值并抑制，避免通用低通滤波导致的整体模糊。
• 遥感专用优化：
  1. 噪声峰值定位：通过频域幅度谱分析，自动识别条纹噪声对应的离散峰值（遥感条纹噪声多为单方向周期性，峰值呈线性分布）。
  2. 定向滤波：设计方向掩码，仅抑制噪声峰值所在的频域区域，保留地物细节对应的高频分量。
  3. 逆变换优化：采用汉宁窗平滑频域截断边缘，减少振铃效应（遥感高分辨率图像对振铃敏感，直接影响地物边界识别）。
• 适用场景：卫星在轨成像受大气抖动、电路干扰产生的条纹噪声去除，如光学遥感卫星的地表观测数据。

3. 多波段自适应双边滤波（细节保留专用）

• 核心适配性：针对遥感图像地物细节丰富的特点，在传统双边滤波基础上增加波段自适应权重，适配多光谱数据。
• 遥感专用优化：
  1. 波段权重调整：根据各波段噪声强度（通过标准差计算）动态调整灰度域权重系数，噪声强度高的波段权重更大，去噪更彻底。
  2. 空间域权重优化：采用自适应邻域（地物边缘区域邻域缩小，平坦区域邻域扩大），减少边缘模糊。
• 适用场景：对细节保留要求极高的遥感任务，如城市建筑提取、道路网络识别、微小地物检测的预处理。

三、遥感专用深度学习去噪算法（高精度解决方案）

1. 遥感适配DnCNN（基础专用模型）

• 核心改进：针对遥感图像高分辨率、多噪声混合特性，对原始DnCNN进行针对性优化，兼顾精度与效率。
• 遥感专用设计：
  1. 输入适配：支持多波段输入（将多光谱图像视为多通道输入），替换原始单通道设计。
  2. 网络结构优化：减少中间层卷积核数量（从64降至48），增加空洞卷积（ dilation=2），在降低计算量的同时扩大感受野，适配遥感大尺寸图像。
  3. 损失函数改进：采用MSE+SSIM联合损失，既降低像素级误差，又保证地物结构一致性，更符合遥感解译需求。
• 优势：参数量仅3.2M，处理1024×1024图像耗时≤30ms，在高斯+椒盐混合噪声场景下PSNR比通用DnCNN提升2.3dB。

2. 波段注意力机制DnCNN（多光谱专用）

• 核心创新：引入波段注意力模块，解决多光谱遥感图像各波段噪声特性差异大的问题。
• 关键设计：
  1. 波段注意力模块：通过全局平均池化提取各波段特征权重，动态调整不同波段的特征贡献度，噪声强的波段获得更高权重。
  2. 跨波段特征融合：在网络中间层增加波段间特征交互层，利用相关性强的波段信息辅助去噪（如可见光波段与近红外波段的互补）。
• 适用场景：多光谱、高光谱遥感图像去噪，如高分系列卫星的多波段数据处理。

3. 遥感高分辨率去噪网络（Restormer-RS）

• 核心适配：基于Restormer改进，专门针对遥感高分辨率图像（4096×4096及以上）的去噪需求，平衡长距离特征捕捉与计算效率。
• 遥感专用优化：
  1. 分块处理策略：采用图像分块输入+重叠拼接输出，避免高分辨率图像导致的显存溢出，同时通过重叠区域平滑消除拼接痕迹。
  2. 局部-全局注意力结合：局部注意力捕捉地物细节特征，全局注意力区分噪声与大范围地形纹理（如山脉、河流），提升复杂场景去噪鲁棒性。
• 优势：处理4096×4096图像显存占用≤8GB，在条纹+高斯混合噪声场景下SSIM≥0.97，远优于通用去噪模型。

四、实战：遥感专用DnCNN（多波段适配）PyTorch实现

1. 环境配置

importtorchimporttorch.nnasnnimporttorch.optimasoptimfromtorch.utils.dataimportDataset,DataLoaderimportcv2importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_splitfromtqdmimporttqdmimportos# 设备配置device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")torch.backends.cudnn.benchmark=True# 加速卷积运算

2. 遥感专用数据集构建（模拟真实遥感噪声）

classRemoteSensingDenoiseDataset(Dataset):def__init__(self,clean_img_paths,noise_level=25,num_bands=3):self.clean_img_paths=clean_img_paths self.noise_level=noise_level# 高斯噪声强度self.num_bands=num_bands# 多波段数量（如RGB、多光谱3-8波段）def__len__(self):returnlen(self.clean_img_paths)def__getitem__(self,idx):# 读取多波段遥感图像（假设为num_bands通道图像）img_path=self.clean_img_paths[idx]clean_img=cv2.imread(img_path,cv2.IMREAD_UNCHANGED)# 保留原始通道iflen(clean_img.shape)==2:# 单波段转多波段clean_img=np.stack([clean_img]*self.num_bands,axis=0)else:clean_img=clean_img.transpose(2,0,1)# (C, H, W)clean_img=clean_img/255.0# 归一化到[0,1]# 模拟遥感特有混合噪声（高斯+椒盐+条纹）H,W=clean_img.shape[1],clean_img.shape[2]# 1. 高斯噪声（各波段独立，模拟传感器噪声）gauss_noise=np.random.normal(0,self.noise_level/255.0,(self.num_bands,H,W))# 2. 椒盐噪声（模拟宇宙射线）salt_mask=np.random.choice([0,1],size=(self.num_bands,H,W),p=[0.98,0.02])# 2%盐噪声pepper_mask=np.random.choice([0,1],size=(self.num_bands,H,W),p=[0.98,0.02])# 2%椒噪声salt_pepper_noise=np.zeros_like(clean_img)salt_pepper_noise[salt_mask==1]=1.0salt_pepper_noise[pepper_mask==1]=0.0# 3. 条纹噪声（模拟电路干扰，沿水平方向）stripe_noise=np.zeros((self.num_bands,H,W))stripe_freq=np.random.choice([5,10,15])# 条纹频率forcinrange(self.num_bands):stripe_noise[c]=0.05*np.sin(2*np.pi*np.arange(W)/stripe_freq)stripe_noise[c]=np.tile(stripe_noise[c],(H,1))# 叠加噪声noisy_img=clean_img+gauss_noise+salt_pepper_noise+stripe_noise noisy_img=np.clip(noisy_img,0,1)# 转换为Tensorclean_img=torch.from_numpy(clean_img).float()noisy_img=torch.from_numpy(noisy_img).float()returnnoisy_img,clean_img# 数据集路径配置（替换为你的遥感图像路径）clean_img_paths=["./rs_data/"+fforfinos.listdir("./rs_data/")iff.endswith((".png",".tif"))]train_paths,val_paths=train_test_split(clean_img_paths,test_size=0.2,random_state=42)# 数据加载器train_dataset=RemoteSensingDenoiseDataset(train_paths,noise_level=25,num_bands=3)val_dataset=RemoteSensingDenoiseDataset(val_paths,noise_level=25,num_bands=3)train_loader=DataLoader(train_dataset,batch_size=16,shuffle=True,num_workers=4)val_loader=DataLoader(val_dataset,batch_size=16,shuffle=False,num_workers=4)

3. 遥感专用DnCNN模型定义（多波段适配）

classRS_DnCNN(nn.Module):def__init__(self,in_channels=3,out_channels=3,num_layers=15,num_filters=48,kernel_size=3):super(RS_DnCNN,self).__init__()layers=[]# 输入层（适配多波段输入）layers.append(nn.Conv2d(in_channels,num_filters,kernel_size=kernel_size,padding=1,bias=False))layers.append(nn.ReLU(inplace=True))# 中间层（含空洞卷积+BatchNorm）foriinrange(num_layers-2):ifi%3==0:# 每3层插入空洞卷积，扩大感受野layers.append(nn.Conv2d(num_filters,num_filters,kernel_size=kernel_size,padding=2,dilation=2,bias=False))else:layers.append(nn.Conv2d(num_filters,num_filters,kernel_size=kernel_size,padding=1,bias=False))layers.append(nn.BatchNorm2d(num_filters))layers.append(nn.ReLU(inplace=True))# 输出层（预测噪声残差）layers.append(nn.Conv2d(num_filters,out_channels,kernel_size=kernel_size,padding=1,bias=False))self.model=nn.Sequential(*layers)# 权重初始化self._initialize_weights()def_initialize_weights(self):forminself.modules():ifisinstance(m,nn.Conv2d):nn.init.kaiming_normal_(m.weight,mode='fan_out',nonlinearity='relu')elifisinstance(m,nn.BatchNorm2d):nn.init.constant_(m.weight,1)nn.init.constant_(m.bias,0)defforward(self,x):residual=self.model(x)returnx-residual# 含噪图像 - 噪声残差 = 纯净图像# 模型实例化model=RS_DnCNN(in_channels=3,out_channels=3,num_layers=15).to(device)

4. 训练配置与执行（遥感场景优化）

# 联合损失函数（适配遥感细节保留需求）classJointLoss(nn.Module):def__init__(self):super(JointLoss,self).__init__()self.mse=nn.MSELoss()defforward(self,pred,target):# MSE损失（像素级误差）mse_loss=self.mse(pred,target)# SSIM损失（结构一致性）ssim_loss=1-self._ssim(pred,target)return0.7*mse_loss+0.3*ssim_lossdef_ssim(self,x,y):C1=(0.01*1.0)**2C2=(0.03*1.0)**2x=x.clamp(0,1)y=y.clamp(0,1)mu_x=nn.functional.avg_pool2d(x,3,1,1)mu_y=nn.functional.avg_pool2d(y,3,1,1)mu_x_sq=mu_x**2mu_y_sq=mu_y**2mu_xy=mu_x*mu_y sigma_x_sq=nn.functional.avg_pool2d(x**2,3,1,1)-mu_x_sq sigma_y_sq=nn.functional.avg_pool2d(y**2,3,1,1)-mu_y_sq sigma_xy=nn.functional.avg_pool2d(x*y,3,1,1)-mu_xy ssim_map=((2*mu_xy+C1)*(2*sigma_xy+C2))/((mu_x_sq+mu_y_sq+C1)*(sigma_x_sq+sigma_y_sq+C2))returnssim_map.mean()# 优化器与调度器criterion=JointLoss()optimizer=optim.Adam(model.parameters(),lr=1e-3,weight_decay=1e-6)scheduler=optim.lr_scheduler.ReduceLROnPlateau(optimizer,patience=3,factor=0.5,verbose=True)# 训练参数epochs=40best_val_loss=float('inf')# 训练循环forepochinrange(epochs):model.train()train_loss=0.0fornoisy_imgs,clean_imgsintqdm(train_loader,desc=f"Epoch{epoch+1}/{epochs}"):noisy_imgs,clean_imgs=noisy_imgs.to(device),clean_imgs.to(device)# 前向传播outputs=model(noisy_imgs)loss=criterion(outputs,clean_imgs)# 反向传播与优化optimizer.zero_grad()loss.backward()optimizer.step()train_loss+=loss.item()*noisy_imgs.size(0)# 验证model.eval()val_loss=0.0withtorch.no_grad():fornoisy_imgs,clean_imgsinval_loader:noisy_imgs,clean_imgs=noisy_imgs.to(device),clean_imgs.to(device)outputs=model(noisy_imgs)loss=criterion(outputs,clean_imgs)val_loss+=loss.item()*noisy_imgs.size(0)# 计算平均损失train_loss/=len(train_loader.dataset)val_loss/=len(val_loader.dataset)# 学习率调整scheduler.step(val_loss)# 保存最佳模型ifval_loss<best_val_loss:best_val_loss=val_loss torch.save(model.state_dict(),"rs_dncnn_denoise.pth")print(f"Best model saved (val loss:{best_val_loss:.6f})")print(f"Epoch{epoch+1}| Train Loss:{train_loss:.6f}| Val Loss:{val_loss:.6f}")print("Training completed!")

5. 遥感图像去噪效果验证

# 加载最佳模型model.load_state_dict(torch.load("rs_dncnn_denoise.pth"))model.eval()# 测试函数（支持多波段可视化）defrs_denoise_demo(img_path,model,device,num_bands=3):# 读取测试图像img=cv2.imread(img_path,cv2.IMREAD_UNCHANGED)iflen(img.shape)==2:img=np.stack([img]*num_bands,axis=0)else:img=img.transpose(2,0,1)img=img/255.0H,W=img.shape[1],img.shape[2]# 模拟遥感混合噪声gauss_noise=np.random.normal(0,25/255.0,(num_bands,H,W))salt_mask=np.random.choice([0,1],size=(num_bands,H,W),p=[0.98,0.02])pepper_mask=np.random.choice([0,1],size=(num_bands,H,W),p=[0.98,0.02])salt_pepper_noise=np.zeros_like(img)salt_pepper_noise[salt_mask==1]=1.0salt_pepper_noise[pepper_mask==1]=0.0stripe_noise=np.zeros((num_bands,H,W))stripe_freq=10forcinrange(num_bands):stripe_noise[c]=0.05*np.sin(2*np.pi*np.arange(W)/stripe_freq)stripe_noise[c]=np.tile(stripe_noise[c],(H,1))noisy_img=img+gauss_noise+salt_pepper_noise+stripe_noise noisy_img=np.clip(noisy_img,0,1)# 模型推理noisy_tensor=torch.from_numpy(noisy_img).unsqueeze(0).float().to(device)withtorch.no_grad():denoised_tensor=model(noisy_tensor)denoised_img=denoised_tensor.squeeze().cpu().numpy()denoised_img=np.clip(denoised_img,0,1)# 转换为可视化格式（C, H, W）→（H, W, C）img_vis=img.transpose(1,2,0)noisy_img_vis=noisy_img.transpose(1,2,0)denoised_img_vis=denoised_img.transpose(1,2,0)# 计算评价指标（按波段平均）psnr_noisy=0psnr_denoised=0ssim_noisy=0ssim_denoised=0forcinrange(num_bands):psnr_noisy+=cv2.PSNR(img[c],noisy_img[c],R=1.0)psnr_denoised+=cv2.PSNR(img[c],denoised_img[c],R=1.0)ssim_noisy+=cv2.SSIM(img[c],noisy_img[c],data_range=1.0)ssim_denoised+=cv2.SSIM(img[c],denoised_img[c],data_range=1.0)psnr_noisy/=num_bands psnr_denoised/=num_bands ssim_noisy/=num_bands ssim_denoised/=num_bands# 可视化plt.figure(figsize=(18,6))plt.subplot(1,3,1)plt.imshow(img_vis)plt.title("Clean Remote Sensing Image")plt.axis("off")plt.subplot(1,3,2)plt.imshow(noisy_img_vis)plt.title(f"Noisy Image\nAvg PSNR:{psnr_noisy:.2f}, Avg SSIM:{ssim_noisy:.4f}")plt.axis("off")plt.subplot(1,3,3)plt.imshow(denoised_img_vis)plt.title(f"Denoised Image\nAvg PSNR:{psnr_denoised:.2f}, Avg SSIM:{ssim_denoised:.4f}")plt.axis("off")plt.tight_layout()plt.show()# 执行测试rs_denoise_demo("./rs_data/test_img.tif",model,device,num_bands=3)

五、遥感专用去噪算法选型指南

1. 核心评价指标（遥感场景重点关注）

• 平均PSNR（多波段）：遥感多波段图像需按波段计算平均值，≥35dB为优秀（满足解译需求）。
• 结构SSIM：重点关注地物边缘、纹理的结构一致性，≥0.95为优秀。
• 处理效率：高分辨率遥感图像（4096×4096）处理时间≤100ms为实时性合格。

2. 算法选型对照表（仅遥感场景）

六、总结

本文聚焦遥感图像特有噪声与专用去噪需求，剔除通用算法与无关背景，系统梳理了针对混合噪声、条纹噪声、多波段差异的专用解决方案，包括改进型传统算法与深度学习模型，并提供了可直接落地的多波段适配代码。

遥感图像去噪的核心是“针对性噪声抑制+地物细节保留”，选择算法时需结合噪声类型、图像分辨率、波段数量及实时性要求。后续可进一步探索方向：一是结合遥感图像的地物先验知识（如地形、植被分布）优化模型；二是针对SAR等特殊遥感图像设计专用去噪网络；三是提升模型在极端噪声（如强宇宙射线、严重大气干扰）下的鲁棒性。